稀疏表示目標(biāo)關(guān)聯(lián)-文庫吧

【正文】 關(guān)聯(lián)。運(yùn)動(dòng)目標(biāo)檢測的主要任務(wù)是在圖像中檢測出各個(gè)獨(dú)立的運(yùn)動(dòng)目標(biāo)，便于后續(xù)的特征提取和關(guān)聯(lián)等過程。運(yùn)動(dòng)目標(biāo)檢測技術(shù)已經(jīng)有大量的研究，形成了三種傳統(tǒng)的運(yùn)動(dòng)目標(biāo)檢測方法：幀間差分法[1,2]、背景差分法[39]和光流法[10]。其中光流法計(jì)算大都相當(dāng)復(fù)雜，且抗噪性能差，難以實(shí)時(shí)應(yīng)用，幀間差分法和背景差分法是目前最廣泛的運(yùn)動(dòng)目標(biāo)檢測方法[2]。運(yùn)動(dòng)目標(biāo)檢測通常采用以下幾種方法[56]：（1）幀間差分法：基本思想是將視頻中相鄰兩幀或多幀圖像做差分，然后利用閾值進(jìn)行分割，將超過閾值的當(dāng)做前景，其他的當(dāng)做背景。優(yōu)點(diǎn)是實(shí)時(shí)性好，算法復(fù)雜性比較小，容易實(shí)現(xiàn)。缺點(diǎn)是目標(biāo)內(nèi)部一般會有不連續(xù)的空洞。目前對于幀間差分法一般用來做前期檢測，（2）背景差分法：背景差分法是視頻監(jiān)控中最為常見的運(yùn)動(dòng)目標(biāo)檢測方法，它的基本思想是將當(dāng)前幀圖像與參考背景圖像做差分運(yùn)算，然后設(shè)定一定的閾值來檢測運(yùn)動(dòng)目標(biāo)。背景差分法的關(guān)鍵是背景圖像的選取和背景模型的建立。最簡單方法是直接從視頻中抽取一幀圖像或者對一段時(shí)間內(nèi)的視頻序列中每個(gè)像素做均值濾波或中值濾波，然后將得到的圖像作為參考背景圖像。目前研究人員大多數(shù)都在研究如何開發(fā)不同的背景模型，期望建立更加合理的背景模型并對其及時(shí)進(jìn)行更新，希望借此能夠抵消背景的干擾和變化。從上世紀(jì)末至今，出現(xiàn)了一大批背景差分法的方法，比如混合高斯模型背景差分法[7]、無參數(shù)估計(jì)背景差分法[8]、核密度估計(jì)背景差分法[9]、碼本背景差分模型[10]等算法。但是，在多攝像機(jī)監(jiān)控系統(tǒng)中，由于圖像背景存在變化，不能直接采用背景差分法，本文在第二章中針對多攝像機(jī)環(huán)境下背景擾動(dòng)的問題進(jìn)行了實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明利用改進(jìn)的扭曲背景差分模型，可以有效去除背景擾動(dòng)的影響，一定程度上提高了檢測的準(zhǔn)確率。(3)光流法：基于光流法的運(yùn)動(dòng)目標(biāo)檢測是利用了運(yùn)動(dòng)目標(biāo)隨時(shí)間變化的光流特性，為視頻序列中每一個(gè)像素點(diǎn)賦予一個(gè)速度矢量，從而對應(yīng)產(chǎn)生一個(gè)運(yùn)動(dòng)場，一般情況下認(rèn)為光流場對應(yīng)于運(yùn)動(dòng)場，研究光流場就是為了從圖像序列中近似計(jì)算得到運(yùn)動(dòng)場的信息，然后根據(jù)各個(gè)像素點(diǎn)的速度矢量特征，實(shí)現(xiàn)圖像序列的動(dòng)態(tài)分析。假如圖像序列中不出現(xiàn)運(yùn)動(dòng)目標(biāo)時(shí)，光流矢量在整個(gè)圖像區(qū)域是連續(xù)變化的。反之，運(yùn)動(dòng)物體所形成的速度矢量就會與鄰域背景速度矢量不同，從而檢測出運(yùn)動(dòng)目標(biāo)的具體位置。該算法同時(shí)能夠在攝像機(jī)運(yùn)動(dòng)的情況下檢測運(yùn)動(dòng)目標(biāo)，但計(jì)算復(fù)雜，實(shí)時(shí)性不高。 單攝像頭目標(biāo)跟蹤 基于多特征融合與自適應(yīng)模板的多目標(biāo)跟蹤算法視覺特征對于跟蹤算法的性能有很重要的影響，所選的視覺特征應(yīng)該能很好的區(qū)分跟蹤目標(biāo)與背景。針對單一視覺信息描述目標(biāo)不夠充分、跟蹤目標(biāo)不夠穩(wěn)定的缺點(diǎn)，出現(xiàn)了許多基于多特征融合的多目標(biāo)跟蹤算法[1115]。文獻(xiàn)[11]將顏色、紋理和運(yùn)動(dòng)信息三個(gè)特征相結(jié)合描述目標(biāo)，該算法采用固定不變的模板，然而當(dāng)背景和目標(biāo)外觀變化時(shí)，易出現(xiàn)失跟。文獻(xiàn)[13]針對此問題提出了多特征融合與自適應(yīng)模板相結(jié)合的多目標(biāo)跟蹤算法，能有效處理模板隨時(shí)間變化的情況，但是算法計(jì)算量大。文獻(xiàn)[14]為了提高算法的實(shí)時(shí)性，基于在線自適應(yīng)模板選擇特征個(gè)數(shù)，計(jì)算量大大降低。上述文獻(xiàn)都是將多特征用于目標(biāo)描述。文獻(xiàn)[15](針對人臉)將多特征融合技術(shù)用于判斷新目標(biāo)的出現(xiàn)；基于在線學(xué)習(xí)的自適應(yīng)模板以適應(yīng)背景與目標(biāo)外觀的變化；以目標(biāo)觀測概率小于某一閾值判斷舊目標(biāo)的消失；對每一個(gè)目標(biāo)單獨(dú)建立一個(gè)粒子濾波器，實(shí)現(xiàn)多個(gè)目標(biāo)的跟蹤。該方法能在較簡單場景下自動(dòng)判斷新目標(biāo)的出現(xiàn)與舊目標(biāo)的消失，處理目標(biāo)部分遮擋及背景變化，但是未能處理目標(biāo)的分裂與合并(嚴(yán)重遮擋)。 基于運(yùn)動(dòng)信息的多目標(biāo)跟蹤算法目標(biāo)總數(shù)可變一直是多目標(biāo)跟蹤中的難點(diǎn)，有效地對可變數(shù)量目標(biāo)的判定取決于目標(biāo)檢測的準(zhǔn)確度。目標(biāo)的運(yùn)動(dòng)信息是目標(biāo)檢測中一項(xiàng)重要特征，運(yùn)動(dòng)檢測技術(shù)包括光流法、差分法等。目前，比較常用的是差分法。文獻(xiàn)[16]針對人的跟蹤中常出現(xiàn)的變形、遮擋以及多目標(biāo)跟蹤中常出現(xiàn)的目標(biāo)合并、分裂、消失、新增等情況。利用背景差分法,差分值分別代表背景和目標(biāo)。當(dāng)目標(biāo)數(shù)量發(fā)生變化時(shí),采用基于相交區(qū)域面積的關(guān)聯(lián)矩陣判斷場景中各種特殊情況的發(fā)生。當(dāng)目標(biāo)輕微合并時(shí)，采用基于顏色直方圖的均值漂移算法分別跟蹤合并在一塊的各個(gè)目標(biāo)，當(dāng)目標(biāo)分裂時(shí)，要判斷分裂出的目標(biāo)屬于遮擋前的哪一個(gè)目標(biāo)，用巴氏距離表示分裂前各目標(biāo)和分裂后目標(biāo)直方圖的關(guān)聯(lián)度，取最大值者作為關(guān)聯(lián)目標(biāo)。 基于3D 空間的多目標(biāo)跟蹤算法現(xiàn)實(shí)世界中的物體都是三維的，而人眼所獲得的圖像是二維的，對2D 圖像來說目標(biāo)間容易出現(xiàn)遮擋，而對3D 圖像來說每個(gè)目標(biāo)只有一個(gè)位置，可有效地解決多目標(biāo)間遮擋問題。因此，有些研究者對基于3D的多目標(biāo)跟蹤算法[1719]進(jìn)行了研究。這里的3D 體現(xiàn)在：3D 模型描述目標(biāo)，3D 狀態(tài)空間。文獻(xiàn)[18]提出了基于粒子濾波的多攝像頭3D 單人跟蹤算法，將3D模型和多目視頻采集機(jī)制嵌入到粒子濾波框架中。利用目標(biāo)空間位置的惟一性，能對嚴(yán)重遮擋的人進(jìn)行較準(zhǔn)確地跟蹤。3D 模型可有效地處理目標(biāo)分裂與合并問題，文獻(xiàn)[19]提出了基于MCMC 的3D 多目標(biāo)跟蹤算法。由于多攝像頭必須同步工作，且成本較大，文獻(xiàn)[19]中使用單攝像頭機(jī)制。文中用兩個(gè)橢圓體表示一個(gè)目標(biāo)，用3D 坐標(biāo)表示狀態(tài)向量。對多目標(biāo)用聯(lián)合狀態(tài)空間表示。采用一階動(dòng)態(tài)模型傳遞狀態(tài)，利用此狀態(tài)參數(shù)得到模擬二值圖，同時(shí)對背景建模，利用背景差分法得到背景提取二值圖，計(jì)算兩個(gè)二值圖相交區(qū)域像素點(diǎn)個(gè)數(shù)與相并區(qū)域像素點(diǎn)個(gè)數(shù)的比值，此值作為狀態(tài)權(quán)值，選擇權(quán)值大的部分粒子的狀態(tài)平均和作為目標(biāo)的最優(yōu)位置估計(jì)。 多目標(biāo)關(guān)聯(lián) 目標(biāo)關(guān)聯(lián)目標(biāo)關(guān)聯(lián)是指把在不同時(shí)刻出現(xiàn)在不同攝像機(jī)前的目標(biāo)進(jìn)行關(guān)聯(lián)，從而識別出相同的目標(biāo)，實(shí)現(xiàn)不同攝像機(jī)中同一目標(biāo)的對應(yīng)。這里的關(guān)聯(lián)不同于傳統(tǒng)單目攝像機(jī)跟蹤理論中的目標(biāo)關(guān)聯(lián)，由于目標(biāo)物體在不同攝像機(jī)前的顏色、形狀和攝像機(jī)的觀測距離、觀測角度等方面的巨大的差異，以及各個(gè)攝像機(jī)的內(nèi)部參數(shù)和監(jiān)控區(qū)域中光照等環(huán)境條件的不同等種種復(fù)雜的原因，傳統(tǒng)計(jì)算機(jī)視覺理論中關(guān)于單目攝像機(jī)跟蹤關(guān)聯(lián)的很多方法都不再適用。所以，無重疊視域攝像機(jī)之間的目標(biāo)關(guān)聯(lián)[20,21]需要建立適合自己特殊問題的新的理論體系。目前已有的關(guān)聯(lián)方法主要包括對目標(biāo)建立表現(xiàn)模型（Appearance Mo